はじめに
実験計画法（DoE: Design of Experiments）は、複数の因子が結果に及ぼす影響を統計的に解析し、効率よく最適条件を見つける手法である。
たとえば3因子3水準のフルファクタリアル実験では全組合せ27通りが必要だが、直交配列表（Taguchi法）を用いれば9通りの実験で主効果を評価でき、実験数を大幅に削減できる。
この直交配列表は「直交性」に基づき、因子の水準が他因子と独立に出現するよう設計されており、バランスよく主効果を評価できる一方、交互作用の解析には向いていない。
直交配列表は空間的配置（立方体の角や中心点など）を考慮せず、統計的抽出に基づいた設計である。これに対し、中心複合計画（CCD）やBox-Behnken法などの応答曲面法は、立方体の頂点、中心点、軸上点を利用し、応答の2次モデルを構築して最適条件を求める設計手法である。目的によって使い分けが必要であり、主効果だけを迅速に把握したい場合は直交配列表、交互作用や非線形な関係まで評価したい場合はフルファクタリアル設計や応答曲面法が適している。
例えばL9直交配列表では3因子3水準の9通りの実験条件があり、各因子の各水準が均等に現れる。これは実験数を抑えつつ要因の影響を見極めるのに有効で、工程設計や品質改善に多用されている。総じて、DoEは目的に応じて設計法を適切に選択することが成功の鍵である。
実験計画法の種類と特徴
Q:
交互作用がある場合は，最小実験数が可能な直行配列表では不十分だが，実験計画法におけるそれぞれの特徴や強み弱みなどを表にして比較して
ChatGPT:
以下に、**実験計画法における代表的な設計法（特に直交配列表と他の主な手法）**について、
交互作用の扱いや実験数、適用目的などを含めて、特徴・強み・弱みを比較した表を示します。
実験計画法の設計手法比較表（交互作用の扱いに着目）
| 設計法 | 主効果の評価 | 交互作用の評価 | 実験数 | 主な用途・特徴 | 強み | 弱み |
|---|---|---|---|---|---|---|
| フルファクタリアル | ◎（精密に評価） | ◎（すべて評価） | 多い（例：3^3=27） | 精密な解析やモデル構築 | ・すべての効果を正確に評価 ・交互作用の詳細把握 | ・実験数が多く高コスト ・スケールしにくい |
| 直交配列表（Taguchi法） | ◎（効率よく推定） | △（限定的または無視） | 少ない（例：L9で9） | 主効果の把握、工程最適化 | ・少数の実験で主効果が明確に ・因子のバランス良 | ・交互作用をほとんど考慮しない ・モデル予測には不十分 |
| Box-Behnken設計 | ◎ | ○（一部のみ） | 中程度（例：3因子で15） | 応答曲面法（回帰モデル用） | ・実験数を抑えつつ曲面モデル構築可 | ・極端な条件が含まれにくい ・実験数は直交配列より多い |
| 中心複合計画（CCD） | ◎ | ◎ | 中〜多（例：3因子で20前後） | 応答最適化、曲面解析 | ・2次モデルに適し最適化が可能 ・中心点で精度確認可 | ・直交配列より多い ・計画がやや複雑 |
| 部分因子計画（Fractional factorial） | ◎ | △〜○（解像度により） | 減らせる（例：3因子→半分） | 要因探索、コスト削減 | ・重要な効果を効率的に抽出 | ・交絡（confounding）リスク ・正確性に制限あり |
補足解説：
- フルファクタリアル
→ 交互作用も網羅的に分析したいときに有効。ただし、因子数が増えると実験数が爆発的に増える。 - 直交配列表（Taguchi法）
→ 実験数を最小限にしたいときや主効果のみに焦点を当てるときに有効。
→ 「交互作用を捨てる」代わりにコスト削減に寄与。 - Box-Behnken / CCD
→ 応答曲面法として最適条件を探索したいときに向く。
→ 曲線的な関係（2次モデル）にも対応できる。 - 部分因子計画
→ 全実験を行う余裕がない場合、情報の一部を犠牲にして効果的に要因を絞り込める。
用途別のおすすめ設計
| 目的 | 推奨設計法 |
|---|---|
| 少数の実験で主効果だけ知りたい | 直交配列表 |
| 交互作用を正確に把握したい | フルファクタリアル |
| 応答の最適化（最小値や最大値） | CCD または Box-Behnken |
| 因子が多くフル実験が困難 | 部分因子計画 |
3因子x3水準での各実験計画法における実験数
実験数が各実験計画法でいくつ必要か聞いた．
Q:
DOE (design of experiments)について，3要因3水準で必要な実験数はいくらか
ChatGPT:
DOE（実験計画法）において、3要因・3水準の実験を行う場合、基本的には以下のように実験数が決まります：
■ フルファクタリアル実験の場合
- 各要因が3水準 → 33=273^3 = 2733=27 通り
- 答え：27実験
■ その他の設計の例（簡略化）
場合によっては実験数を減らすために以下のような手法も使われます：
| 実験計画法 | 実験数 | 説明 |
|---|---|---|
| フルファクタリアル | 27 | 全組み合わせを網羅する完全実験計画 |
| 直交配列表（L9など） | 9 | 代表的な9通りを選んでバランス良く検討（Taguchi法など） |
| Box-Behnken法 | 15 | 回帰モデル用。3要因×3水準では15点必要 |
| 中央複合計画（CCD） | 通常20前後 | 応答曲面法に用いられる。中心点・星型点を含む |
まとめ（代表的な設計別）
| 設計法 | 要因 | 水準 | 実験数の目安 |
|---|---|---|---|
| フルファクタリアル | 3 | 3 | 27 |
| L9直交表 | 3 | 3 | 9 |
| Box-Behnken | 3 | 3 | 15 |
| CCD（中心複合計画） | 3 | 3 | 約20（構成により変動） |
ご希望の目的（精度重視 or 実験数削減）に応じて適した設計を選ぶことが重要です。必要であれば、それぞれの設計について詳細もご案内できます。
Q:
実験計画法では直行配列表が最も実験数が少ないのはなぜか
ChatGPT:
実験計画法（DOE）において**直交配列表（特に田口法などで用いられるもの）が最も実験数を少なくできる理由は、次のような「直交性の原理」と「効果の分離設計」**に基づいています。
■ なぜ直交配列表は実験数が少ないのか？
① 直交性により最小限の組み合わせで効果を推定できる
- 直交配列表では、各因子の水準が他の因子と独立かつバランス良く配置されている。
- これにより、交絡（コンファウンディング）を最小限に抑えつつ、主効果を明確に推定できる。
② 交互作用をあえて捨てる・限定的に評価する
- 直交配列は主に「主効果」に重点を置き、交互作用は評価しないか、ごく一部だけを見る設計になる。
- そのため、実験数を大幅に削減できる。
③ 水準の組み合わせが「情報効率よく」配置されている
- L9（3因子×3水準）なら9通りの実験で3因子の主効果を評価可能。
- フルファクタリアル（27通り）を使わずとも、統計的に同等な精度の推定が可能なよう工夫されている。
■ 例：3因子×3水準の場合の比較
| 設計 | 実験数 | 特徴 |
|---|---|---|
| フルファクタリアル | 27 | すべての交互作用が評価可能だが高コスト |
| L9直交配列表 | 9 | 主効果のみに集中。交互作用の解析は制限されるが、実験数は大幅に少ない |
■ 直交配列表の設計思想
- 情報の「重複」を避け、無駄のない最小限の実験で有効な比較ができる。
- 「直交性」とは、各因子が他因子の水準と独立に現れること。
- たとえば、A=水準1が出るとき、B=水準1,2,3が均等に現れる。
■ 実験数が少ない＝万能ではない点
- 詳細な交互作用の解析が必要な場合は、直交配列表は不十分。
- 精密な予測モデルを構築する際は、フルファクタリアル設計や応答曲面法が必要になることもある。
まとめ
直交配列表は、
✅ 主効果だけを効率的に評価し、
✅ 各因子を独立かつバランス良く変化させ、
✅ 実験数を最小限に抑えるよう設計されている
――ことが、実験数を減らせる最大の理由です。